HAL Id: ineris-00971946
https://hal-ineris.archives-ouvertes.fr/ineris-00971946
Submitted on 3 Apr 2014
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Utilisation de réseaux neuromimétiques pour la
localisation automatique d’événements microsismiques
Pascal Bigarre, S. Lablee, A. Dodo Amadou, Jack-Pierre Piguet, Jean-Pierre
Josien
To cite this version:
Pascal Bigarre, S. Lablee, A. Dodo Amadou, Jack-Pierre Piguet, Jean-Pierre Josien. Utilisation de
réseaux neuromimétiques pour la localisation automatique d’événements microsismiques. 8.
Inter-national Congress on Rock Mechanics (ICRM 1995), Sep 1995, Tokyo, Japon. pp.865-868.
�ineris-00971946�
95-55
Utilisation de reseaux neuromimetiques pour ia localisation automatique
d'evenements microsismiques
Use of neuromimetic networks for the automatic location of microseismic events
Die Verwendung von auf Informationssystemen basierenden Methoden zur Überwachung
seismischer Aktivitäten, die durch Abbau verursacht wurden
P. BIGARRE, S. LABLEE, A. DODO AMADOU, J. P. PIGUET & J. P.JOSIEN, INERIS, Ecole des Mines, Nancy, France
RESUME : La telesurveillance microsismique en temps reel pennet de caracteriser la reponse du massifrocheux, parl'analyse appropriee des sismogrammes enregisires. Parmi les parametres estimes, la localisation (X,Y,Z,T) des ruptures detectees peut elre consideree comme l 'Information la plus fondamentale. La precision de l'estimation depend etroitement de la justesse avec laquelle les pointes d'arrivee d'onde aux differentes starions sont effectues. Dans cet anide, nous presentons le developpement d'un reseau de neurones pennettant le pointe autoinatique de signaux sismiques, coupie ä un algorithme «classique» du type STA/LTA. Les resultats de cette methode couplee sont presentes, ainsi que l'integration de l'outil sur le site minier de Gardanne. Les perspectives d'applications de reseaux de neurones sont discutees.
ABSTRACT : Real-time microseismic monitoring applied to mine-induced seismicity perrnits lo characterize rock mass behaviour, considering appropriate, fast, automatic analysis of recorded waveforms. Among usual caiculaled parameters for each tremor, hypocenler location (X,Y,Z,T) is ofthe most importance, whereas its accuracy depends straightly from quaiily of firsi wave arrival-time pick-up. In this aräcle, we present integration ofneural nets technique to automatic first wave time estimalion, parallely processed with convenlionnal STA/ LTA. Resulls of this coupled method, site integration and use, äs well äs future prospects are discussed.
ZUSAMMENFASSUNG : Die microseismische Echtzeitüberwachung ermöglicht durch eine sachgemäße Untersuchung der regiestrierten Seismogramme eine genaue Bestimmung des Verhaltens des Gebirges. Die Lokalisierung (X, Y, Z, T) der wahrgenommenen Brüche ist der bedeutenste der berechneten Parameter. Die Genauigkeit der Berechnung dieser Lokalisierung steht in sehr engem Zusammenhang mit der Präzision mit der die Erdbeben wellen von den verschiedenen Aufnahmestationen erfasst werden. In diesem Aufsatz beschreiben wir die Entwicklung eines neuronalen Netzes zur Erfassung dieser Wellen, welches mit einem "klassischen" Algorithmus der Art STA/LTA gekoppelt ist. Weiter werden die Resultate dieser Anwendung, sowie die Integration des Systems auf dem Bergwerk in Gardanne erörtert.
Introdiietion
En 1992, l'Unite d'Exploitation de Provence des HBCM, en coüa-boration avec l'INERIS ei leLDG**), a misen oeuvre un reseau de telesurveillance microsismique compose de 9 stations de lype geophones. Ce reseau pennet d'enregistrer et d'analyserl'activite nücrosismique des chantiers situes ä 1100 nietres de profondeur environ, et exploites parlongue taille foudroyee. La Station d'acqui-sition detecte, par scrutation et depassement de seuil sur au moins 3 voies, les ruptures de terrains et enregistre les signaux pendant 30 secondes ä une frequence d'echantillonnage de 155 Hz. En moyenne, ce sont 50 ä lOOevenements quolidiens de magnitude 1.5 ä 3 sur l'echelle de magnitude localequi sont detectes,traiies et Stockes (voir figure l).
L'abondance d'evenements et donc de l'information ä collecter ä partirdes sismogrammes pourl'interpretationducomportementdu massifrocheux a necessite le developpement d'outils de trailement aulomatique. En purticulier, 1'ensennble des signaux esl traile par une procedure de detection d'evenenienl permettant le pointage precis, ä la valeur du pas d'echantülonnage pres, de chacun des 9 lemps d'arrivee ti des ondes (niethode basee sur un algorithme de type STA/LTA). L'application d'une melhode numerique inverse pennet aiors d'eslimeria localisalion del'eveneinent dans l'espace. Celle procedure ciassique de deleniiinalion duvccteur(li)ia;i9reste
'" HBCM : Houilifcres du Bassin Centre Midi (aiarbonnage de France) INERIS : Institut National de l'Environnenient Industriel et des Risques
neanmoins peu robuste pour les signaux presentant cen^ines singu-larites comme :
- un rapport signal/bruit faible,
- plusieurs signaux dislincts sur le meme enregisirement, - des bruits parasitaires divers (bips.creneauxj (voir figure 2). L'existence d'un pourcentage signiticatif d'enregistrements ilial localises par procedure automatique se double d'un aulreproblenie : celui de leur idenlißcation rapide par une voie autre que celle du traitement dit inleraclifou nunuel. que le nombre d'eveneiiienis ä verifier rend parfois impossible.
MasKr/Slav«; PC batd modilonug sysiain r-igure l : Systeme autunititique ^'acquisition et de LJasteinent des donnees operalionnel ä I'U.E. i^rovence; i ) evenemeiil dtleciS 2) acquisilion, passage en mode esciave, preirailement des donnees 3) u-ansinission sur mactiine mulliläche 4) poinlagi.' d'onde, localisation et iraitemer.t caniplet 5) archivage automatique et mise äJOur de fich^rs onenies base de donnees 6) irailemeni inleraclif/validalion des dunnees 7) edilion de rapporls
4
i. °
5 10 is 3l (secotides)
Figure 2 : deux exemples classiques de poinies defeciueus ; l) pointage d'un bip parasite non filtre - 2) pointage d'un second evenement sur le meme Signal. Dans les deux cas. le resultat de localisation (X,Y,Z,T) peut s'en retrouver tres penurbe, ä l'eenelle du reseau.
Dans le cadre de ses etudes conduites sur la sismicite induite par exploitation miniere, l'INERIS a developpe et teste un logiciel de pointage automatique de temps d'arrivee d'ondes base suria tech-n i q u e des reseaux tech-neuromimetiques (SCOP : Systeme Connexionniste de Pointage automatique de debut d'onde). Ce logiciel a pourobjectif de repondre aux deux exigences precit6es,ä
1- fiabiliser le trailement de localisation en diminuant le nombre d'evenements pointes de maniere trop peu satis-faisante,
2- mettre en oeuvre un caicul de «coefficient de confiance» permettant d'idenäßer automatiquement les dits evene-ments, afin de minimiser les täches de verification et de traitement manuels.
Les principaux resultats sont präsentes ei-apres, ainsi que les perspectives d'applications et d'Integration dans le depouillement automatique.
Le paradigme connerionniste
Le modele förmel du neurone decril l'entite neurale comme un automate recevant des valeurs en entree et y appliquant une certaine fonction de transfert pour caiculer une valeurde sortie [MC Culloeh, Pitts, 1943] (voirfigure 3).
poids
^.J fonclion •ä de transfert entr6es
Figure 3 : shema du modfeie fonnel de neurone; les entrees modelisenl les dendrites. la sortie l'axone.
Les neurones formels sont interconnectes de maniere similaire aux neurones biologiques, les connexions etant alors ponderees. La valeur de sortie d'un neurone est caiculee par applicaüon d'une fonction de transfert ä la somme ponderee de ses entrees. Ainsi, si (p est la fonction de transfert d'un neurone, (ei)i=i n les valeurs de ses entrees, et (Hi)i=i.n les poids synapüques de ses entrees, la valeurde sortie s de ce neurone sera definie par :
n
s = < p ( Z ^ , e , ) .
de sortie des neurones dont l'axone est libre, sont caiculees par application successive de cette regle ä chaque neurone. L'ordre d'application differe suivant les types de reseaux. Dans le cas du classique reseau «perceptron multicouche» [Rosenblatt 1958], oü les neurones sont groupes en couches successives, le caicul s'effec-tuede couche encouche, del'entree vers la sortie. Quant aux entrees du reseau, elles correspondent aux neurones dont les dendrites sont libres.
En 1949, Hebb emet l'hypothese que le cerveau s'adapte ä son environnement par modification des connexions synapüques [Hebb 1949]- Par analogie, le reseau neuroinimetique realise son appren-tissage par luodification des poids synapliques de chaque neurone. Deux types d'apprenüssage sont distingues : l'apprentissage non
supervise, dans letjuel le reseau voit iterativement ses poids
modi-fies pour converger de lui-meme vers un certain etat d'equiUbre, et l'apprentissage supervise, dans lequel l'objectif est d'ajuster ies poids pour nunimiser la difference entre les sorties effectives du reseau et des sorties pre-definies,
Le Systeme SCOP utilisece second lyped'apprentissage,en modi-fiant iterativement les poids synaptiques apres presentation d 'exeni-ples(couplesentrees-sorriesdesirees), pour nunimiser l'ecart. Apres apprentissage, ie reseau peut delivrer des valeurs de sortie pour des entrees non apprises. Pratiquement, le principe de base de l'algo-rithme d'apprentissage consiste ä minimiser une fonction caracteri-sant l'erteuren sortie par la methode des moindres carres (D.Parker 1985, Y.LeCun 1986, D.E.Rumelhart et al 1986). Chaque con-nexion est donc modifiee en foncäon de sä panicipation ä l'erreur totale, donc en fonction de ia derivee de la fonction d'erreur E (fonction des sorties et des valeurs cibles, posee en general comme etant ia somme sur les neurones de sortie des differences entre sortie effective et sortie desiree) par rapport ä cette connexion :
3E
AH. .=-e^—
• •] dp. '.]
(oü E est un coefficient arbitraire et Hy la valeur de la connexion du neuronejdelacoucheiäsonsuccesseur). Sil'onpose H, = £Ui,jX^
J
oü Xj est la valeur du neurone j de la couche i-1, si y, est la sortie du neurone i, et si (p est la fonction d'acüvation des neurones (y,=(p(Hi)) la derivee partielle se decompose alors pour la derniere couche en terrnes directement mesurables :
JIE__3&_ ^_ 3H.
ap,, 9y, au, ap^
La retro-propagation consiste alors ä propager l'erreur de la demiere couche (caiculee ci-dessus) vers les couches precedentes :
9E _ [ a E 3y, äHJ_ [ 3E 1
^-^• ^d^J-^ayr-^^^-
j
Les —— pour les neurones d'une couche sc caiculent ä partir des
9y,
neurones -.— caicules pour les neurones des couches precedenles.
dyi
En pratique, l'apprentissage par retro-propagation se fait en deux phases. Durant la premiere phase, un exernple est presente en entree et propage ä iravers le reseau de couche en couche. Une valeur de sortie esl obtenue pour chaque neurone de la demiere couche. Cetle valeur est ensuite comparee ä la valeur atlendue, ce qui fournil un vecteur d'erreur:
sortie neurone l - somc atlendue neurone l
r
6
.
Les sorties du reseau neuromimetique, con-espondant aux valeurs i äonie neurone n - sonie attendue neurone n
-La seconde phase consiste alors ä relro-propager ce vecleurdans le reseau (gräce aux fonnules decriles ci-dessus) afin de niodifier successivement les poids des connexions des neurones de chaaue couche.
Le connexionnisine dans SCOP
SCOP utilise un reseau neuromimetique afin de caiculer le temps d'arrivee des ondes P au sein du signal sismique enregistre. Une representation de ce signal est donc constituee par les valeurs d' ent ree du reseau, la valeur de sortie elan! le lemps separant le debut du signal du debut des ondes P dans ce signal. SCOP est organise autour d'un modele du type : Cascade-Correlation, decrit en 1991 par (Faniman 1991]. II s'agit d'un modele dit «ontogenetique» t*1, creant les neurones dont il a besoin au für et ä niesure de son apprenüssage. Les avantages principaux de ce type de modele sont la mise en place d'une morphologie de struclure adaptee au pro-blerne ä resoudre, et une rapidite d'apprenlissage accrue. L'algo-rithme de base utilise pour l'apprentissage est une Variante de la retro-propagation,l'algorithme«Quickprop» utilisant une methode du second ordre (se rapportant ä la methode de Newton) au lieu de la simple descente de gradient explicitee plus haut.
La methode consiste ensuite, partant d'un nombre minimal de neurones, ä entrainer le reseau jusqu'ä ce que l'erreur commise soit inferieure ä un seuil predefini. Si, au cours de l'apprentissage, l'erreur ne decroit plus (Stagnation), un nouveau neurone est ajoute au noeud du reseau oü sä presence a une influence maximale sur le resultat (correlation maximale entre l'erreur due ä ce neurone et l'erreur totale du reseau). Un nombre maximal de neurones ajoutes est fixe au prealable afin d'eviter un apprentissage infini sans succes.
Implantation inforniatique
SCOP a ete developpe en langage C (norme ANSI) sous Systeme UNIX. L'etude des perfonnances de SCOP s'est appuyee ä la fois sur des modules de tests ecrits en C et surle logiciel de caicul forinel Malhematica® (Wolfram Research, Ine).
Apprentissage
Afin de creer une base d'exernples de signaux pour l'apprentissage et le lest de SCOP, 5000 signaux enregistres sur le site de Gardanne par differents capleurs sur une periode d'un an onl ete sournis ä un pointage par Operateur des temps d'arrivee d'ondes P, mettant ä disposiüon du Systeme une banque de signaux poinles de la maniere la plus precise possible. 3000 signaux ont ele ulilises pour l'appren-tissage, les 500 signaux restant etant destines ä fester le comporte-ment du reseau vis-ä-vis de signaux non appris.
I'retraiteiuent-Entrees
La complexite des formes des signaux sismiques impose un pretraitement precedant leur presentalion en entree du reseau neuromimetique. Ce pretraitement a pour but de generer une repre-sentation «parlante» des donnees, de laquelle le reseau puisse aisement renrer des informations. La methode retenue est celledite de Gabor, ou transformee de Fourier mobile- Elle consiste ä effec-tuer la (ransformee de Fourier de parliesjuxtaposees du signal. Un signal decompose en N fenetres donne alors lieu ä N transformees, chacune expriniant le spectre de la fenelre correspondante, et par exlension l'image spectrale du signal ä un certain instant. On obtient donc par celte Serie de spectres un diagramme frequence-temps du signal sisnuque (Fig.4).
<*) ontogenetique (ou onlog^nique): du terme onlogenese, caracterisant la capacile d'un Systeme complexe, ou organisme, ä s'orgatiiser el croltre de lui-nieme.
C'est ce diacraiiune frequence-lemps qui esl livre en entrec au reseau neuroiiüinerique.sousl.i forme d ' u n e matrice N x M . o ü M es; la taille en points ile la iransforinee.
r»n«tr* '.IS r«« 100
Figure 4 : Diagramme frequence temps oblenu par FF1" mobile (m^lhode; de Gabor) ä partir d'un Signal sisrniquii.
Sorties
Nous avons choisi de rechercher une «plage de pointage» (i.e. un inlervalle [ti,t2] contenant le debut des ondes P) plutöl qu'un pointage exact t : le signal est decoupe en une Serie de plages temporelles de dimension fixec, chacune etant mise en correspon-dance avec un neurone de sortie du reseau. Le neurone de sortie ayant la plus föne valeur indique Sa plage devant conlenir le debut des ondes P.
Ainsi, pour un pointage dans l'iniervalle total [l s., 31 s.] decoupe en 60 plages de 0,5 seconde, la plage [2,5 s.,3 s.]estrepresenieeen sortie par le vecteur (0 0 0 l 0 0 ... 0 0 0) ttous les neurones de sortie ä 0 excepte le 4eme). Mais puisqu'en pratique les sorties ne sont pasbinairesmais reelles dans [0, l ],la plage en question pourra etre represeniee par n'Importe quel vecteur de sortie dont la compo-sante maximale esl la 4eme.
Cette methode a l'avanlage de discretiser les sorties theoriques du reseau, ce qui a pour effet d'augmenter ses perfonnances. En effet, les reseaux de neurones fonnels s'utiiisenl de maniere naturelle en classificateurs, et les resultats sont generalement satisfaisants. De plus, le reseau est dans ee cas plus robuste : la fenetre de poinlage retenue etant celle qui correspond au neurone de sortie maximale, une legere erreur sur chaque neurone de sortie a peu d'influence sur le resultal final.
Resultat', de SCOP utilise seul
Le reseau apprendenmoinsd' une centained'iteralions.c'esi-ä-iJire que l'erreur coniniise par le reseau sur le pointage des signaux reserves au lest (signaux non appris) est minimale apres avoir presentemoinsde 100 fois l'ensemble des signaux d'apprenlissage pretraites au reseuu et modifie les connexions en fonction de l'erreur. Le nonibre de neurones est alors de 410 environ (environ 400 neurones d'entree, ce chiffre dependant des parameires du prelraiiement, 4 neurones de sortie, ei en moyenne 5 neurones Caches crees par l'algorithme au für et ä mesure des besoins de l'apprenlissage).
Apres celte phase d'apprenlissage, la reponse de SCOP a ete testet; sur 500 signaux non appris. L,; [ableau suivant resuine les pourcen-tages de reponses correctes (i.e. pourlesqueiles le debut des ondes P etaitbienä l'interieur de la fenelre delivree par SCOP}. Ces resultais sont fonction de 1;> taille de la fenelre de pointage (t2-ti pour une fenetre [t 1,13]).
Test sur les signaux appris (3000 signaux): Resultats compares sur les 500 signaux de lest (non appris): Taille de la fenetra de pointage 0.8 seconde l ,3 seconde Resultats avec 1'algorithme classique 80,0 % 83,3 % Resultats avec SCOP 100% 100% Test sur les signaux non appris (500 signaux) :
Taille de la fenetre de pointage 0.8 seconde 1,3 seconde Resultats avec l'alaorithme classique 80.0 % 83,3 % Resultats avec SCOP seul 82.5 % 89,8 % Resultats avec le Systeme mixte(*) 94,5 % 96,5 % Taille de la fenetre de pointage 0,8 seconde 1,3 seconde Resultats avec 1'algorithme classique 80,0 % 83,3 % Resultats avec SCOP 82.5 % 89,8 % Ces resultats appellent les commentaires suivants :
- l'egalite des resultats de l'algorithine classique dans les deux cas (signaux appris, signaux non appris) provient de la selection alea-toire des signaux de test auseindel'ensen>bledessignaux,l'erreur etant alors statistiqueinent repartie de maniere homogene sur les deux ciasses (appris, non appris),
- l'apprenüssage esl re.ussi, puisque SCOP ne fait aucune erreurde pointage sur les signaux appris,
- les performances augnientent avec la taille de la fenetre de pointage, ce qui est normal puisque l'on demande alors une preci-sion moindre,
- les perforniances de SCOP sont en general superieures aux perforniances de 1'algorithme dit«c)assique»utilisejusqu'äpresent (base sur STA/LTA), mais l'ecart enire les deux methodes est relativement faible pour des fenetres de poinlage suffisamment precises (0,8 seconde, voire 0,65 seconde oü les lests montrent meme une legere superiorite de 1'algorithme classique).
Un Systeme de poinlage autoinatique mixte
L'etude de la repartition des erreurs de SCOP et de 1'algorithme de STA/L TA montre que le taux de recouvremen! des erreurs des deux systemes ne depasse pas 3 ä 4 % (toujours pour un pointage ä 0,65 seconde pres). Cela signifie que les deux systemes sont simul-tanenient dans l'erreur dans moins de 4 % des cas. Par consequent, l'un au moins des deux systemes poinie correetement dans plus de 96 % des cas. Nous avons donc recherche un inode de cooperaüon des deux systemes pennetlant de meltre en evidence la methode offrant le pointage le plus pertinent pour ehaque signal. Le principe en est le suivant : un pointage simultane par SCOP et STA/LTA du signal ä traiter est effectue, le prenüer delivrant une plage lempo-relle [t l,h] et le second une valeur tempolempo-relle t. II s'agit alors de determiner la maniere dont SCOP corrobore les resultats de STA/ LTA en examinant la position de t par rapport ä l'intervaile [ti.h]: - si t est dans [ti,t2], le pointage considere comme exact est t. On affecte ä ce resultat un coefficient de confiance compris entre 0 et l. Dans le cas present, ce coefficienl (nommons-le c) vaui 1-e (E representant le doute du aux 3 ä 4 % de signaux mal pointes par les deux methodes).
- s i l n'est pas dans [l 1,12], on cherche alors ä pointer par STA/LTA un temps t' ä l'inierieur de [t[,t2] (c'est l'Operation dite de «repointage»). Si t' est trouve, le poinlage considere comme exacl es! t', avec un coefficient de confiance ci inferieur ä 1-e (car un doute subsiste surle pointage). Dans le cas contraire ( t ' non trouve), le poinlage considere comme exact est le pointage initial, avec un coefficienl de confiance c; inferieur äc i, donc ä 1-e.cietc-ipeuvenl etre definis par une fonclion de la dislance de t (resp. t ' ) au milieu de [li.l.'] : plus t (resp. t') est eloigne du resultal de SCOP, plus le doute esl grand.
Conclusion et pcrspectives
L'ulilisalion de techniques connexionnistes pourl'ait!.; ä l'analyse de signaux sismiques s'est inontree possible et pronictieuse. Mais, plus encore, l'ulilisation simulianeede methodes connexionnistes et de methodes algorithmiques classiques au sein d'un meine Systeme mixte s'est revelee tres perförmante, les resultats obtenus depassant en qualile eeux de l'une ou l'autre des methodes prises separement. En oulre, le Systeme actuel delivre non seulement une valeur de poinlage, mais aussi un indice d'appreciation de la precision de ce pointage : le «coefficient de confiance». Ainsi, il est desormais possible de deteruüner panni les evenemenis trailes lesquels doivent elre repoinles priorilairement par un Operateur. La sismicite induite pur les chanliers de la mine repose essentiellement sur la qualite de ce resultat. Concemant les perspectives de develop-pement. SCOP devrait evoluer selon deux voies : l - extension des modules pour transformer SCOP en generateur de reseaux neuro-nes, d'une grande simplicite de nüse en oeuvre ; 2 - recherche d'utilisation de SCOP sur la classificalion automatique des signaux, et notammenl la deteclion des enregistrements eomprenani deux evenements sismiques (voir flg. l)
REFERENCES:
[Changeux 1983] Changeux, J.P. (1983) «L'homme neuronal», Fayard.
[DodoAmadou 19t)3] DodoAmadouA-, «Sismologie appliquee ä l'etude du coniponement dela röche. Miseen oeuvre de la methode desdoublets.» DEA de Genie Civil et Minier de l'Institut National Polytcchnique d e ) -orraine, 1993.
[Fahlman 1988] Fahlman, S.E. (1988) «Faster-Learning Variutions on Back-Propagation : An Empirical Study» in Proceedings ofthe
1988 Conneclionisl Models Summer School, Morgan Kaufman.
[Fahlman 1991] Fahlman, S.E. &Lebiere,C. (1991)«TheCascade Correlation Learning Architecture», rapport interne School of Computer Science - Carnegie Mellon University, Pittsburgh PA. USA
[Grossman & Morlet 1984] Grossman, A. & Morlet, J. (1984) «DecompositionolHardyFunctionsIntoSquareInlegrableWavelets ofConstant Shape», in 5/AAf JMath. vol.15 pp.723-736
[Hebb 1949] Hebb, D. (1949) «The Organisation of Behavior», Wiley
[MC Culloch, Pitt.s, 1943] MC Culloch, W.S. & Pitts, W. (1943) «A logical caiculus of the ideas immanent in nervous activity», in
Bulletin of Matheinatical Biophysics n °9 Dp. 127-147
[Meyer 1992] Meyer, Y. (1992) «Les ondelettes. Algorithmes et applicaäons», Arniand Collin
[PDP 1986] MC Cielland, J.L. & Rumelhan D.E. & the PDP Research Group (1986) «Parallel Distribuled Processing. Explora-tions in the Microstructure ofCognition», MIT Press/B radford [Rosenblatt 1958| Rosenblalt, F. (1958) »The pereeptron : u probabüistic model for inforniation storage and organization in the brain» in PsycholuyClü Revivw n~-65 pp. 386-408
[V, Allen 1978] V. Allen, R. (1978) «Autommic earthquake reco-gnition and liniing from single iraces» in Bulletin ofSeisinotogical
Suciely o f A i n f n c i i . vo!. 6S. n''5, p p 1521-1532.
